Acesse o servidor de acompanhamento MLflow de fora Databricks

log O senhor pode desejar acessar o servidor de acompanhamento MLflow a partir de seus próprios aplicativos ou do site MLflow CLI.

Este artigo descreve as passos de configuração necessárias. comece instalando o MLflow e configurando suas credenciais (passo 1). Você pode configurar um aplicativo (passo 2) ou configurar a CLI do MLflow (passo 3).

Para obter informações sobre como iniciar e log em um servidor de acompanhamento de código aberto, consulte a documentação doMLflow código aberto.

Etapa 1: configurar seu ambiente

Se o senhor não tiver um Databricks account, poderá experimentar o Databricks gratuitamente. Veja Get começar com Databricks.

Para configurar seu ambiente para acessar seu Databricks MLflow servidor de acompanhamento hospedado:

1. Instale o MLflow usando pip install mlflow.

2. Configure a autenticação de acordo com seu Databricks inscrição.

   • Community Edition. Execute uma das seguintes ações:

     • (Recomendado) Use mlflow.login() para receber uma solicitação de suas credenciais.
     Python

     import mlflow
     
     mlflow.login()

     Veja a seguir um exemplo de resposta. Se a autenticação for bem-sucedida, o senhor verá a mensagem "Successfully signed into Databricks!".

     2023/10/25 22:59:27 ERROR mlflow.utils.credentials: Failed to sign in Databricks: default auth: cannot configure default credentials
     Databricks Host (should begin with https://): https://community.cloud.databricks.com/
     Username: weirdmouse@gmail.com
     Password: ··········
     2023/10/25 22:59:38 INFO mlflow.utils.credentials: Successfully signed in Databricks!
     • Especifique as credenciais usando a variável de ambiente:
     Bash

     # Configure MLflow to communicate with a Databricks-hosted tracking server
     export MLFLOW_TRACKING_URI=databricks
     # Specify your Databricks username & password
     export DATABRICKS_USERNAME="..."
     export DATABRICKS_PASSWORD="..."

   • Plataforma Databricks. Faça um dos seguintes:

     • Gere um REST API tokens e crie seu arquivo de credenciais usando databricks configure --token.

     • Especifique as credenciais usando a variável de ambiente:

     Bash

     # Configure MLflow to communicate with a Databricks-hosted tracking server
     export MLFLOW_TRACKING_URI=databricks
     # Specify the workspace hostname and token
     export DATABRICKS_HOST="..."
     export DATABRICKS_TOKEN="..."

Etapa 2: Configurar os aplicativos MLflow

Configure os aplicativos MLflow para log e Databricks definindo o URI de acompanhamento como databricks ou databricks://<profileName>, se o senhor especificou um nome de perfil por meio de --profile ao criar o arquivo de credenciais. Por exemplo, o senhor pode fazer isso definindo a variável de ambiente MLFLOW_TRACKING_URI como "databricks".

Etapa 3: Configurar a CLI do MLflow

Configure o MLflow CLI para se comunicar com um servidor de acompanhamento Databricks com a variável de ambiente MLFLOW_TRACKING_URI. Por exemplo, para criar um experimento usando o site CLI com o URI de acompanhamento databricks, execução:

Bash

# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment